本发明涉及图像检测，具体而言，涉及一种零件外观检测方法、系统、服务器及介质。
背景技术：
1、随着汽车轻量化、智能化、电动化概念的快速落地，汽车行业迎来了革命性的变化。与之伴随产生了很多新工艺、新技术，一体化压铸作为一项新工艺技术，对汽车轻量化、电动化发展帮助巨大，同时，也是当前主流的一种轻量化的方式。
2、通过大型压铸机将铝水铸造成车身的前机舱、后地板等大型零部件，一个大型压铸件生产节拍大约为90-120s，可以显著降低生产时间和人工成本，同时，还可以显著提升原材料回收利用率。产品质量检测作为产品生产的最后一个环节是对前面所有工序加工质量的再检验与最后保证。零件的生产最后总会通过检测的手段加以确保零件的质量。机器视觉技术通过工业相机获得零件的数字图像数据，采用相应的算法将roi区域进行提取，判别得到对应的检测结果，使得工业应用具备了“感知”功能，逐步自动化、智能化，大大提高了生产工作效率。
3、在一体化压铸领域中，车身压铸零件主要以前机舱和后地板两种零件为主。压铸零件外观质量主要需要检控两种，铸件机加前本体外观缺陷以及机加后加工区域的外观缺陷。其中，在机加后的外观缺陷检测主要由人工完成，检测对象为机加后孔洞和加工面的外观，人工检测方式容错率较低。
技术实现思路
1、有鉴于此，本申请实施例的目的之一在于提供一种零件外观检测方法，能够改善人工检测容错率较低的问题。
2、为实现上述技术目的，本申请采用的技术方案如下：
3、第一方面，本申请实施例提供了一种零件外观检测方法，所述方法包括：
4、接收输入图像；
5、获取所述输入图像的感兴趣区域，所述感兴趣区域上具有待检测特征；
6、根据所述待检测特征的类型，选择对应的深度学习模型检测待检测特征的外观，得到表征所述外观是否存在缺陷的检测结果。
7、根据上述技术手段，在获取感兴趣区域后，采用深度学习模型对待检测特征的外观进行检测，深度学习模型具有成长性，相比较于人工方式，提高了检测精度。同时采用深度学习模型，规避了常规算法阈值设置的限制，使设备维护更简洁，精度更高。
8、由于该技术方案中选择对应的深度学习模型对待检测特征的外观进行检测，根据待检测特征的类型匹配合适的深度学习模型，令选择的深度学习模型更加专注于合适类型的待检测特征，提高了本方法的泛化能力，同时进一步提高了检测精度。
9、进一步，所述根据所述待检测特征的类型，选择对应的深度学习模型对待检测特征的外观进行检测包括：
10、所述待检测特征包括螺纹孔、预铸孔、腰型孔、加工面至少之一时，基于分类模型检测待检测特征的外观；
11、所述基于分类模型检测待检测特征的外观包括：
12、所述分类模型接收待检测特征后输出分类结果；
13、基于分类结果确定待检测特征外观是否符合需求。
14、根据上述技术手段，具有上述待检测特征的型面数量较少，螺纹孔、预铸孔、腰型孔、加工面等加工特征存在多种特征，不同的特征组合代表不同的检测结果，通过分类检测模型可准确实现分类检测，降低了检测复杂程度。
15、进一步，所述基于分类结果确定待检测特征外观是否符合需求包括：
16、当所述分类结果表征所述感兴趣区域为机加工前的图像时，确定所述待检测特征外观存在缺陷；当所述分类结果表征所述感兴趣区域为机加工后的图像时，确定所述待检测特征外观不存在缺陷。
17、进一步，所述接收输入图像以前，所述方法还包括：
18、收集训练样本，所述训练样本包括第一训练图像和第二训练图像，所述第一训练图像表示机加工以前的零件型面图像，所述第二训练图像表示机加工后的零件型面图像，所述第二训练图像具有加工区域，其中，所述第一训练图像为抠图处理所述加工区域后得到；
19、基于训练样本训练所述分类模型。
20、根据上述技术手段，由于第一训练图像为加工区域经过抠图处理后得到，在保证训练样本数量的前提下，减少了获取训练样本数量的成本。
21、进一步，所述分类模型基于resnets-50分类网络，所述resnets-50分类网络的卷积层中引入自注意力机制。
22、进一步，所述根据所述待检测特征的类型，选择对应的深度学习模型对待检测特征的外观进行检测包括：
23、所述待检测特征包括通孔时，基于目标检测模型检测所述通孔的外观。
24、进一步，所述目标检测模型基于yolo架构，所述目标检测模型在yolo架构的resnet网络中每个stage之间加入瓶颈注意力模块。
25、进一步，所述获取所述输入图像的感兴趣区域包括：
26、获取输入图像的明显特征；
27、根据明显特征的轮廓获取匹配模板；
28、根据匹配模板基准点和输入图像的基准点的相对位置，修正所述输入图像的位置；
29、令检测框与修正后的所述输入图像相重合的位置为感兴趣区域。
30、第二方面，本申请提出了一种零件外观检测系统，包括：
31、接收模块，配置为接收输入图像；
32、获取模块，配置为获取所述待检测型面的感兴趣区域，所述感兴趣区域上具有待检测特征；
33、检测模块，配置为根据所述待检测特征的类型，选择对应的深度学习模型对待检测特征的外观进行检测，得到表征所述外观是否存在缺陷的检测结果。
34、第三方面，本申请提出一种服务器，所述服务器包括相互耦合的处理器及存储器，所述存储器内存储计算机程序，当所述计算机程序被所述处理器执行时，使得所述服务器执行上述的零件外观检测方法。
35、第四方面，本申请提出一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行上述的零件外观检测方法。
36、采用上述技术方案的发明，具有如下优点：
37、在本申请提供的技术方案中，
38、本申请基于深度学习模型实现对待检测特征外观的检测，相比较于人工的方式，提高了检测精度，并规避了常规算法阈值设置的限制，使设备维护更简洁，同时提高了本方法的泛化能力。
1.一种零件外观检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于：所述根据所述待检测特征的类型，选择对应的深度学习模型对待检测特征的外观进行检测包括：
3.根据权利要求2所述的方法，其特征在于：所述基于分类结果确定待检测特征外观是否存在缺陷包括：
4.根据权利要求2或3所述的方法，其特征在于：所述接收输入图像以前，所述方法还包括：
5.根据权利要求2所述的方法，其特征在于：所述分类模型基于resnets-50分类网络，所述resnets-50分类网络的卷积层引入自注意力机制。
6.根据权利要求1所述的方法，其特征在于：所述根据所述待检测特征的类型，选择对应的深度学习模型对待检测特征的外观进行检测包括：
7.根据权利要求6所述的方法，其特征在于：所述目标检测模型基于yolo架构，所述目标检测模型在yolo架构的resnet网络中每个stage之间加入瓶颈注意力模块。
8.根据权利要求1所述的方法，其特征在于：所述获取所述输入图像的感兴趣区域包括：
9.一种零件外观检测系统，其特征在于：包括：
10.一种服务器，其特征在于，所述服务器包括相互耦合的处理器及存储器，所述存储器内存储计算机程序，当所述计算机程序被所述处理器执行时，使得所述服务器执行如权利要求1-8中任一项所述的零件外观检测方法。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行如权利要求1-8中任一项所述的零件外观检测方法。
